Principes fondamentaux de la formation aux réseaux de neurones convolutifs Ppt

Diapositive 1

Cette diapositive donne un aperçu des réseaux de neurones convolutifs. ConvNet est une conception de réseau d'apprentissage en profondeur qui apprend à partir des données sans nécessiter d'extraction de caractéristiques humaines. Les CNN sont utiles pour reconnaître les objets, les visages et les paramètres en recherchant des motifs dans les images.

Diapositive 2

Cette diapositive décrit le fonctionnement des réseaux de neurones convolutifs. Les CNN sont divisés en trois couches qui sont la couche convolutive, la couche de mise en commun et la couche entièrement connectée.

Diapositive 3

Cette diapositive illustre la couche convolutive dans un réseau neuronal convolutif. La majorité du calcul a lieu dans la couche convolutive d'un CNN. Cette couche nécessite des données d'entrée, un filtre et une carte d'entités.

Diapositive 4

Cette diapositive décrit les hyperparamètres de la couche de convolution dans un CNN. Ces paramètres sont le nombre de filtres, la foulée et le zéro-padding qui sont ensuite divisés en un rembourrage valide, un même rembourrage et un rembourrage complet.

Notes de l'instructeur :

• Nombre de filtres : la profondeur de la sortie est déterminée par le nombre de filtres utilisés. Trois filtres distincts, par exemple, donneraient trois cartes d'entités distinctes, résultant en une profondeur de trois
• Stride : la foulée du noyau est le nombre de pixels parcourus sur la matrice d'entrée. Malgré le fait que les valeurs de foulée de deux ou plus sont inhabituelles, une foulée plus longue signifie moins de sortie
• Zero-padding : le zéro-padding est utilisé lorsque les filtres ne correspondent pas à l'image d'entrée. Tous les membres en dehors de la matrice d'entrée sont définis sur zéro, ce qui entraîne une sortie plus grande ou de taille égale. Le rembourrage est de trois types
• Remplissage valide : Ceci est également appelé "pas de remplissage". Si les dimensions ne sont pas alignées, la dernière convolution est ignorée
• Même rembourrage : ce rembourrage garantit que la taille de la couche de sortie et de la couche d'entrée est la même
• Remplissage complet : ce type de remplissage améliore la taille de la sortie, en remplissant la bordure de l'entrée avec des zéros

Diapositive 5

Cette diapositive illustre la couche de regroupement dans un réseau de neurones convolutionnels. Le sous-échantillonnage, également appelé couches de regroupement, réduit le nombre de paramètres dans l'entrée en réduisant la dimensionnalité. Max Pooling et Average Pooling sont ses deux types.

Notes de l'instructeur : Le processus de regroupement balaie un filtre sur toute l'entrée, similaire à la couche convolutive, sauf que ce filtre n'a pas de poids. Au lieu de remplir le tableau de sortie avec les valeurs du champ récepteur, le noyau utilise une fonction d'agrégation.

• Max Pooling : le filtre choisit le pixel avec la valeur la plus élevée à transmettre au tableau de sortie à mesure qu'il avance sur l'entrée. Par rapport à la mise en commun moyenne, cette stratégie est utilisée plus fréquemment
• Pooling moyen : la valeur moyenne à l'intérieur du champ de réception est déterminée lorsque le filtre passe au-dessus de l'entrée et est envoyé au tableau de sortie

Diapositive 6

Cette diapositive illustre la couche entièrement connectée dans un réseau neuronal convolutif. Chaque nœud de couche de sortie se connecte directement à un nœud de la couche précédente dans la couche entièrement connectée. Cette couche effectue une catégorisation basée sur les caractéristiques extraites par les couches précédentes et leurs filtres.